Non seulement ces découvertes ont des implications importantes pour comprendre l’évolution du comportement coopératif chez les animaux, mais elles peuvent également aider à développer des systèmes d’intelligence artificielle (IA) collaboratifs. De tels systèmes ont le potentiel de servir de compagnons virtuels dans des situations d’entraînement tactique, telles que les sports d’équipe et les simulations de conduite. L'étude a été publiée dans eLife et était dirigé par Kazushi Tsutsui, Kazuya Takeda et Keisuke Fujii.

Des recherches antérieures ont établi un lien entre la chasse coopérative et des mammifères présentant des comportements sociaux complexes, tels que les lions et les chimpanzés. Cependant, des comportements similaires ont également été observés chez des espèces aux capacités cognitives moins avancées, comme les crocodiles et les poissons. Cela suggère qu'un mécanisme plus simple pourrait être responsable de cette forme de coopération.

Pour étudier cette énigme, Tsutsui et ses collaborateurs ont créé un modèle informatique dans lequel les agents d'IA apprennent à chasser ensemble, en utilisant un apprentissage par renforcement profond. L'apprentissage par renforcement profond est un processus dans lequel les comportements sont renforcés en étant récompensés après les avoir exécutés.

Les chercheurs entraînent des algorithmes à apprendre en interagissant avec l’environnement et en recevant des récompenses pour des actions spécifiques. Grâce à des réseaux neuronaux profonds, ces algorithmes peuvent traiter des entrées telles que la position et la vitesse et prendre des décisions autonomes.

Programmés avec des capacités d'apprentissage par renforcement, les agents prédateurs de l'IA ont appris à collaborer à la chasse en interagissant avec l'environnement à travers une séquence d'états, d'actions et de récompenses, dans le but de sélectionner des actions qui maximisent les récompenses futures. Les agents prédateurs ont coopéré en raison de l'efficacité de leurs actions et de l'anticipation d'une récompense (la proie) à partager entre le groupe après une chasse réussie.

Au cours des simulations, les prédateurs IA ont montré des rôles distincts et complémentaires, similaires au comportement des animaux participant à une chasse coopérative. Par exemple, un agent poursuivrait la proie, tandis qu’un autre lui tendrait une embuscade. À mesure que le nombre de prédateurs augmentait, le taux de réussite augmentait et le temps nécessaire à la chasse diminuait.

Lors d’un test final, les agents de l’IA ont joué le rôle de prédateurs et les participants humains, ceux de proies. Malgré les difficultés initiales, telles que la confusion provoquée par des mouvements humains inattendus, les agents IA formés ont travaillé ensemble et ont capturé leurs proies humaines. Cela montre à quel point une chasse coopérative réussie ne nécessite pas de processus cognitifs complexes et suggère que les prédateurs du monde réel peuvent également apprendre à collaborer grâce à un simple ensemble de règles de décision.

"Nos agents prédateurs ont appris à collaborer en utilisant l'apprentissage par renforcement, sans nécessiter de mécanismes cognitifs complexes proches de la théorie de l'esprit", a déclaré Tsutsui. "Cela suggère que la chasse coopérative peut évoluer dans une gamme d'espèces plus large qu'on ne le pensait auparavant."

L’équipe de recherche espère que leurs découvertes mèneront à de nouvelles études de terrain sur la prise de décision dans la dynamique prédateur-proie. De plus, ce projet montre le potentiel de faire progresser les systèmes d'IA coopératifs, ce qui pourrait avoir des effets positifs dans d'autres domaines nécessitant des solutions collaboratives, tels que la conduite autonome et la gestion du trafic.